Eco-friendly weeding through precise detection ofgrowing points via efficient multi-branch convolutional neural networks
摘要
在本研究中,我们提出了一种基于编码器-解码器的双解码器分支卷积神经网络来检测杂草生长点。
该解码器融合了空间注意力和通道注意力,并采用了一种新的激活门机制来控制注意力。
我们还提出了一种简单而有效的策略来组合解码器分支的输出。在包含不同杂草生长阶段的野外数据集上对该方法进行了测试,并与基于点度量的最新方法进行了比较。
结果表明,该方法优于现有方法,检测率为0.8505,精度为0.8641,漏检率为0.1391,RMSE为22.68,MAE为17.95。实现代码可以访问https://github.com/dewamsa/WGPdetection.git。
1、介绍
已经发展了几种控制杂草的方法,包括使用除草剂和人工除草。然而,这两种方法都有局限性:除草剂可能导致作物污染和环境污染(fenimore et al., 2016),而人工除草是劳动密集型的,并不是所有情况下都有效。区分作物和杂草可能是一个挑战,特别是在杂草生长迅速,场景变得更加复杂的情况下。在这种情况下,基于深度学习的视觉系统可能是一个有用和可行的解决方案。
针对以往研究的一些局限性,本研究提出了一种新的杂草生长点检测方法,以有效地控制杂草。具体而言,该方法包括一个提供空间信息的快速连接的编码器-解码器卷积神经网络(CNN),一个解耦的注意机制和一个切换机制,以控制每个解码器使用的注意类型,一个鲁棒空间注意反向机制,并为解码器的两个分支的输出提供了一种高效的归并机制。第一个分支训练生成热图,热图广泛用于计数任务(Khaki et al., 2022;卢和曹,2020;He et al., 2022),而第二个分支是在分割